Sedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :

1

Metode Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 255 dengan Pendekatan Fungsi Transfer Dwi Listya Nurini, Brodjol Sutijo SU Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 e-mail : [email protected] Abstrak— Nikkei 225 adalah indikator indeks harga yang merupakan harga rata-rata dari saham 225 perusahaan teratas di Jepang yang terdaftar di Bursa Efek Tokyo (Tse). Saham perusahaan yang tercatat pada indeks Nikkei 225 adalah saham yang masih aktif dalam perdagangan di bursa efek Tokyo. Penelitian ini bertujuan sebagai bentuk penerapan ilmu statistik khususnya pada kasus financial di bidang perdagangan saham. Metode analisis peramalan yang digunakan yaitu pendekatan fungsi transfer. Penelitian ini menggunakan 2 model, pertama adalah model Open Price (X) terhadap Low Price (Y 1 ) dan kedua adalah model Open Price (X) terhadap High Price (Y 2 ). Pada deret input (X t ) didapatkan model ARIMA terbaik adalah ARIMA (1 1 0) karena sudah memenuhi pengujian signifikan juga asumsi white noise. Dengan menggunakan orde b=0,s=0,r=0 yang didapatkan dari plot crosscorelation maka, model ARMA untuk Open Price (X) terhadap Low Price (Y 1 ) yaitu ARMA (0[1 4]) dengan nilai MAPE atau nilai prosentase kesalahan dalam meramalkan sebesar 10.71% dan untuk model ARMA untuk Open Price (X) terhadap High Price (Y 2 ) yaitu ARMA ([4] 1) dengan nilai MAPE atau prosentase kesalahan dalam meramalkan sebesar 8.12%. Kata Kunci— ARIMA, Fungsi Transfer, High Price, Low Price dan Open Price .

I. PENDAHULUAN arga saham adalah harga yang terjadi di pasar bursa pada Hwaktu tertentu yang ditentukan oleh pelaku pasar yaitu permintaan dan penawaran pasar [1]. Sedangkan saham menunjukkan hak kepemilikan pada keuntungan dan asset dari sebuah perusahaan [2]. Harga saham yang terdapat pada bursa saham atau pasar saham dipengaruhi oleh 4 aspek yaitu yang pertama adalah pendapatan, dividen, aliran kas dan yang terakhir adalah pertumbuhan [1]. Terdapat 2 fungsi peran pasar saham yaitu sebagai sarana bagi pendanaan usaha dan sebagai sarana bagi masyarakat untuk berinvestasi pada instrument keuangan misalnya saham dan obligasi. Indeks harga saham merupakan suatu indikator yang menunjukkan pergerakan harga saham. Pergerakan yang terjadi pada indeks harga saham digunakan acuan oleh para investor untuk menjual atau membeli saham [3]. Indeks harga saham dibagi menjadi 2 yaitu indeks harga saham individu dan IHSG atau Indeks Harga Saham Gabungan. Macam-macam Indeks Harga Saham Gabungan atau dia IHSG diantaranya adalah KOSPI yang mewakili bursa saham Korea, Hang Seng (HIS) mewakili bursa saham Hongkong, Nikkei 225 mewakili bursa saham Jepang, TAIEX Australia [4]. Negara Indonesia juga memiliki bursa saham yaitu yang berada di Jakarta, dikenal dengan nama Jakarta Composite Index (JCI) atau JSX Composite [1]. Sampai Januari 2013 saham yang tercatat di Bursa Efek Indonesia (BEI) sebanyak 459 saham yang tersebar di seluruh Indonesia.

Penelitian ini akan membuat 2 model pada indeks harga saham gabungan (IHSG) Nikkei 225 yaitu model fungsi transfer Open Price (X) terhadap Low Price (Y 1 ) dan model fungsi transfer Open Price (X) terhadap High Price (Y 2 ). Data in-sampel yang digunakan sebanyak 560 data dan data outsampel sebanyak 25 data. II. FUNGSI TRANSFER A. Fungsi Transfer Model fungsi transfer adalah suatu model yang menggambarkan nilai dari prediksi masa depan dari suatu deret berkala (Y t ) yang didasarkan pada satu atau lebih deret berkala yang berhubungan (X t ) dengan deret output yang lain [5]. Di dalam fungsi transfer terdapat deret berkala output (Y t ) yang diperkirakan akan dipengaruhi oleh deret berkala input (Xt) dan input-input lain yang digabungkan dalam satu kelompok yang disebut gangguan (noise) n t [6]. Berikut merupakan bentuk umum persamaan model fungsi transfer bentuk pertama [5] : (7) 𝑌𝑌𝑡𝑡 = 𝑣𝑣(𝐵𝐵)𝑋𝑋𝑡𝑡 + 𝜂𝜂𝑡𝑡 Sedangkan model fungsi transfer bentuk kedua adalah sebagai berikut : 𝜔𝜔 𝜃𝜃 (8) 𝑌𝑌𝑡𝑡 = 𝐵𝐵 𝑋𝑋𝑡𝑡−𝑏𝑏 + 𝐵𝐵 𝜂𝜂𝑡𝑡 dimana,

𝛿𝛿 𝐵𝐵

𝜙𝜙 𝐵𝐵

𝜔𝜔(𝐵𝐵) = 𝜔𝜔0 − 𝜔𝜔1 𝐵𝐵 − 𝜔𝜔2 𝐵𝐵2 − ⋯ − 𝜔𝜔𝑠𝑠 𝐵𝐵 𝑠𝑠 𝛿𝛿(𝐵𝐵) = 𝛿𝛿0 − 𝛿𝛿1 𝐵𝐵 − 𝛿𝛿2 𝐵𝐵2 − ⋯ − 𝛿𝛿𝑟𝑟 𝐵𝐵𝑟𝑟 𝜃𝜃(𝐵𝐵) = 𝜃𝜃0 − 𝜃𝜃1 𝐵𝐵 − 𝜃𝜃2 𝐵𝐵2 − ⋯ − 𝜃𝜃𝑞𝑞 𝐵𝐵𝑞𝑞 ∅(𝐵𝐵) = ∅0 − ∅1 𝐵𝐵 − ∅2 𝐵𝐵2 − ⋯ − ∅𝑝𝑝 𝐵𝐵𝑝𝑝

(9) (10) (11) (12)

B. Identifikasi Model Fungsi Transfer

Terdapat 8 tahap dalam melakukan identifikasi model fungsi transfer, yaitu : Langkah pertama, mempersiapkan deret output dan input Mempersiapkan deret output dan input dilakukan dengan cara melakukan stasioneritas data terhadap mean dan varian. Jika tidak stasioner dalam varian maka dilakukan transformasi Box-Cox sedangkan jika tidak stasioner terhadap mean maka dilakukan differencing. Langkah kedua, pemutihan (Prewhitening) deret input (X t ) Pada proses ini diperoleh dengan cara mengubah persamaan yang didapatkan pada proses ARIMA dengan menyusun kembali suku-sukunya, yaitu : 𝛼𝛼𝑡𝑡 =

𝜙𝜙 𝑋𝑋 (𝐵𝐵 ) 𝜃𝜃 𝑋𝑋 (𝐵𝐵 )

𝑋𝑋𝑡𝑡

(13)

dimana, Ø X (B) merupakan operator autoregresif sedangkan θ X (B) merupakan operator rata-rata bergerak dan α t adalah residual dari white noise.

2 Langkah ketiga, pemutihan (Prewhitening) deret output (Y t ) Pada pemutihan deret output, transformasi tidak harus memenuhi asumsi white noise [1]. Berikut adalah persamaan pemutihan deret output (Y t ) : 𝛽𝛽𝑡𝑡 =

𝜙𝜙 𝑋𝑋 (𝐵𝐵 )

(14)

𝐶𝐶𝛼𝛼𝛼𝛼 (𝑘𝑘)

(15)

𝑌𝑌 𝜃𝜃 𝑋𝑋 (𝐵𝐵 ) 𝑡𝑡

Langkah keempat, Perhitungan korelasi silang dan autokeralasi untuk deret input (X t ) dan deret output (Y t ) yang telah diputihkan Berikut adalah persamaan untuk menghitung korelasi silang antara deret input (α t ) dan deret output (β t ) yang telah diputihkan : 𝑟𝑟𝛼𝛼𝛼𝛼 =

𝑆𝑆𝛼𝛼 𝑆𝑆𝛽𝛽

Langkah kelima, penaksiran langsung bobot respon impuls Penaksiran langsung bobot respon impuls dari mengasumsikan orde b = 0 dengan persamaan di bawah ini [5]: (16) 𝑌𝑌𝑡𝑡 = 𝜈𝜈(𝐵𝐵)𝑋𝑋𝑡𝑡 + 𝜂𝜂𝑡𝑡 Langkah keenam, penetapan nilai b s r untuk model fungsi transfer Proses penentuan nilai b s r didapatkan pada plot crosscorelation (CCF) dengan persamaannya yaitu : 𝜈𝜈(𝐵𝐵)𝑋𝑋𝑡𝑡 =

𝜔𝜔 (𝐵𝐵 ) 𝛿𝛿 (𝐵𝐵 )

𝑋𝑋𝑡𝑡−𝑏𝑏

(17)

dimana , b = keterlambatan yang dicatat dalam subskrip dari X t-b , s = derajat fungsi ω(B) dan r = derajat fungsi δ(B). Langkah ketujuh, pengujian pendahuluan deret gangguan (noise series) Penaksiran langsung bobot respons impuls memungkinkan dilakukan perhitungan nilai taksiran pada deret gangguan (noise) 𝜂𝜂𝑡𝑡 . Dengan persamaannya yaitu : (18) 𝜂𝜂𝑡𝑡 = 𝑌𝑌𝑡𝑡 − 𝑉𝑉𝑜𝑜 𝑉𝑉𝑡𝑡 − 𝑉𝑉1 𝑉𝑉𝑡𝑡−1 − ⋯ − 𝑉𝑉𝑔𝑔 𝑉𝑉𝑡𝑡−𝑔𝑔 Langkah kedelapan, penetapan (p n , q n ) untuk model ARIMA (p n , 0, q n ) dari deret noise Pada tahap ini untuk menetapkan parameter deret noise p dan q dilakukan dengan menggunakan nilai 𝜂𝜂𝑡𝑡 untuk menemukan apakah terdapat model ARIMA (p n , 0, q n ) yang tepat untuk menjelaskan deret tersebut [5].

III. METODOLOGI PENELITIAN A. Sumber Data dan Variabel Penelitian Data yang digunakan pada penelitian ini menggunakan data sekunder dengan tipe data harian dari Indeks Harga Saham Gabungan atau IHSG Nikkei 225 yang diambil dari website (www.finance.yahoo. com). Variabel yang digunakan untuk deret output (Y t ) adalah high price dan low price, sedangkan deret input (X t ) adalah open price. Data in-sampel yang digunakan mulai 4 Januari 2011 sampai 12 April 2013 sebanyak 560 data dan data out-sampel yang digunakan mulai tanggal 15 April 2013 sampai 22 Mei 2013 sebanyak 25 data. B. Metode Analisis Data Tahapan analisis yang dilakukan dalam penelitian ini adalah sebagai berikut: 1. Tahap Identifikasi Variabel Pada tahap ini dilakukan pertama kali sebelum melakukan pengujian lain. Langkah pertama adalah mempersiapkan deret input dan deret output yang stasioner. Setelah didapatkan deret input dan output yang stasioner maka dilakukan penentuan model ARIMA untuk deret input kemudian dilakukan prewhitening α t untuk deret input dan β t untuk deret output. Langkah selanjutnya yaitu menentukan nilai b r s dari plot Crosscorelation (CCF) kemudian dilakukan penaksiran parameter dan uji asumsi dengan menggunakan nilai b s r yang telah ditentukan. Setelah dilakukan pengujian maka dilanjutkan dengan melakukan identifikasi model awal deret noise berdasarkan plot ACF dan PACF. Dan langkah terakhir yaitu menetapkan nilai p n dan q n untuk model ARMA fungsi transfer dari deret noise (𝜂𝜂𝑡𝑡 ). 2. Penaksiran Parameter Model Fungsi Transfer (b s r)( p n , q n ). 3. Uji Diagnostik Model Fungsi Transfer Perhitungan uji diagnostik model untuk fungsi transfer ada 2 yaitu menghitung autokorelasi untuk nilai b s r dan menghitung korelasi silang. 4. Melakukan peramalan dengan menggunakan pendekatan fungsi transfer. IV. ANALISIS DATA DAN PEMBAHASAN A. Identifikasi Model Deret Input Open Price (X) Tahap awal pada proses peramalan dengan menggunakan fungsi transfer adalah dengan melakukan identikasi model deret input Open Price (X) pada Time Series plot. Berikut hasil time series plot pada deret input Open Price (X) : Time Series Plot of Open Price 14000 13000 12000

Open Price

D. Nikkei 225 Nikkei 225 adalah indeks saham yang ada di bursa saham Tokyo (Tokyo Stock Exchange / TSE). Pergerakan indeks tersebut dipublikasikan oleh surat kabar Nihon Keizai dan merupakan satu dari sebagian kecil faktor yang menggerakan mata uang Yen Jepang. Saat ini, Nikkei berperab sebagai indeks saham paling aktif dan diminati oleh pelaku pasar internasional [3]. Berikut adalah rumus untuk menghitung Indeks Nikkei [4]: 𝑗𝑗𝑗𝑗𝑗𝑗 ℎ 𝑠𝑠𝑠𝑠𝑠𝑠 .𝑠𝑠𝑠𝑠ℎ𝑎𝑎𝑎𝑎 𝑦𝑦𝑦𝑦 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 225 = (19) 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 keterangan : Divisor adalah angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi.

11000 10000 9000 8000 1

56

112

168

224

280 Index

336

392

448

504

Gambar 1. Time Series Plot Pada Deret Input Open Price (X).

560

3 Gambar 1 time series plot pada deret input open price (X) diketahui bahwa belum stasioner terhadap varians dan mean. Karena pada deret input open price (X) belum stasioner terhadap varians maka perlu dilakukan transformasi. Berikut adalah hasil transformasi deret input Open Price (X) : Box-Cox Plot of Open Price Lower C L

Box-Cox Plot of 1/akar zt

Upper C L

Lower C L

95.0

Lambda

92.5

Lambda (using 95.0% confidence)

Estimate

-0.43

Estimate

Lower C L Upper C L

-1.22 0.33

Lower C L Upper C L

Rounded Value

-0.50

87.5

0.0000440

Rounded Value

StDev

StDev

90.0

Upper C L

0.0000445

(using 95.0% confidence)

85.0

0.86 -0.55 2.47 1.00

0.0000435

0.0000430

82.5 80.0

-5.0

-2.5

0.0 Lambda

2.5

Limit

0.0000425

Limit 5.0

-5.0

-2.5

0.0 Lambda

2.5

5.0

(2a) (2b) Gambar 2a. Transformasi Box-Cox Pada Deret Input Open Price sebelum dilakukan transformasi, 2b Transformasi Box-Cox Pada Deret Input Open Price sesudah dilakukan transformasi.

Berdasarkan Gambar 2a transformasi Box-Cox deret input Open Price (X) didapatkan nilai λ sebesar -0.05, maka transformasi yang sesuai yaitu tansformasi 1/akar X t dan pada gambar 2b didapatkan nilai λ sebesar 1 yang berarti tidak perlu dilakukan kembali transformasi Box-Cox atau deret input Open Price (X) sudah stasioner terhadap varians. Setelah dilakukan transformasi Box-Cox maka dilakukan differencing atau pembeda untuk menstasionerkan data terhadap mean. Berikut adalah plot ACF dan PACF deret input Open Price (X) yang sudah stasioner terhadap varians dan mean. Autocorrelation Function for dif

(with 5% significance limits for the autocorrelations) 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

10

20

30

40

50 Lag

60

70

80

90

100

(3a) Partial Autocorrelation Function for dif

(with 5% significance limits for the partial autocorrelations) 1.0

Partial Autocorrelation

0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

10

20

30

40

50 Lag

60

70

80

90

100

(3b) Gambar 3a. Plot ACF deret input Open Price (X) Setelah Dilakukan Transformasi Box-Cox dan differencing, 3b. Plot PACF deret input Open Price (X) Setelah Dilakukan Transformasi Box-Cox dan differencing.

Identifikasi model ARIMA didapatkan berdasarkan plot ACF (Gambar 2a) dan PACF (Gambar 2b) yang dapat disimpulkan bahwa pendugaan model ARIMA yaitu ARIMA (1 1 1), ARIMA (1 1 0) dan ARIMA (0 1 1) karena hanya terdapat 1 lag yang keluar yaitu pada lag-1. Setelah dilakukan identifikasi model deret input Open Price (X) maka dilanjutkan dengan melakukan pengujian

parameter. Berdasarkan hasil pengujian yang dilakukan bahwa model ARIMA yang didapat semua parameter model telah signifikan dan memenuhi asumsi white noise. Pada pemilihan model terbaik ARIMA (1 1 0) merupakan model yang memiliki nilai AIC dan SBC terkecil sehingga model ARIMA tersebut layak untuk digunakan. Berikut adalah persamaan model ARIMA (1 1 0) : 𝑋𝑋𝑡𝑡 = 0.09876 𝑋𝑋𝑡𝑡−1 + 𝛼𝛼𝑡𝑡 Model ARIMA pada deret input Open Price (X) yang didapatkan selanjutnya akan digunakan untuk prewhitening deret input Open Price (X) dan deret output Low Price (Y 1 ) dan High Price (Y 2 ). Persamaan untuk deret input (α t ) dan deret output (β t ) adalah sebagai berikut : 𝛼𝛼𝑡𝑡 = 𝑋𝑋𝑡𝑡 − 0.09876𝑋𝑋𝑡𝑡−1 𝛽𝛽𝑡𝑡 = 𝑌𝑌𝑡𝑡 − 0.09876𝑌𝑌𝑡𝑡−1 Setelah dilakukan prewhitening pada deret input (α t ) dan deret output (β t ), maka dilakukan identifikasi b s r pada plot CCF (Crosscorrelation Function). Berdasarkan lampiran 1 diketahui pendugaan nilai b s r untuk deret input Open Price (X) terhadap deret output Low Price (Y 1 ) memiliki nilai b=0 s=0 r=0 dan untuk deret input Open Price (X) terhadap deret output High Price (Y 2 ) memiliki nilai b=0 s=0 r=0 pada lampiran 2. Pengujian asumsi white noise dengan memasukkan nilai b=0 s=0 r=0 diketahui bahwa tidak memenuhi asumsi white noise karena P_value < 0.05 sehingga perlu melakukan permodelan deret noise (n t ). Berdasarkan hasil analisis diketahui bahwa model ARMA untuk deret input Open Price (X) terhadap deret output Low Price (Y 1 ) yang signifikan adalah model ARMA (0 [1 4]) dan ARMA ([4] 1) sedangkan untuk deret input Open Price (X) terhadap deret output High Price (Y 2 ) yang signifikan adalah model ARMA (0 1) dan ARMA ([4] 1). Pendugaan model dari X terhadap Y 1 dan X terhadap Y 2 sama-sama sudah memenuhi asumsi white noise tetapi tidak memenuhi asumsi distribusi normal dengan P_value < 0.0001. Pemilihan model terbaik pada X terhadap Y 1 didapatkan model ARMA terbaik adalah ARMA (0 [1 4]) dan X terhadap Y 2 didapatkan model ARMA terbaik adalah ARMA ([4] 1) karena memiliki nilai AIC dan SBC terkecil. Model ARMA (0 [1 4]) dan ARMA ([4] 1) tidak memenuhi asumsi distribusi normal maka, perlu dilakukan pengujian kembali dengan memasukkan komponen outlier. Komponen outlier untuk model ARMA (0 [1 4]) terletak pada observasi ke-48, 47 dan 50, komponen outlier untuk model ARMA ([4] 1) pada observasi ke-49, 554, 366, 65, 555 dan 273. Namun setelah dilakukan pengujian kembali dengan memasukkan komponen outlier pada kedua model masih belum memenuhi asumsi distribusi normal dengan nilai P_value lebih besar 0.01. Keakuratan model atau pengujian data out-sampel dapat dilakukan dengan menghitung nilai MAPE pada kedua model. Nilai MAPE model ARMA (0 [1 4]) sebesar 10.71 % yang menunjukkan prosentase kesalahan dalam meramalkan deret input Open Price (X) terhadap deret output Low Price (Y 1 ). Nilai MAPE model ARMA ([4] 1) sebesar 8.12 % yang menunjukkan prosentase kesalahan dalam meramalkan deret input Open Price (X) terhadap deret output High Price (Y 2 ). Jadi, persamaan model fungsi transfer deret input Open Price (X) terhadap deret output Low Price (Y 1 ) adalah sebagai berikut :

4 𝑌𝑌𝑡𝑡 = 1.00043𝑋𝑋𝑡𝑡 + 𝑎𝑎𝑡𝑡 − 0.93160𝑎𝑎𝑡𝑡−1 − 0.06839𝑎𝑎𝑡𝑡−4 + 0.0007073𝐼𝐼𝑡𝑡48 + 0.0002130𝐼𝐼𝑡𝑡47 + 0.0001397𝐼𝐼𝑡𝑡50

Persamaan model fungsi transfer deret input Open Price (X) terhadap deret output High Price (Y 2 ) adalah sebagai berikut : 𝑌𝑌𝑡𝑡 = −0.08953𝑌𝑌𝑡𝑡−4 0.98382𝑋𝑋𝑡𝑡 + 0.08808𝑋𝑋𝑡𝑡−4 + 𝑎𝑎𝑡𝑡 − 0.93406𝑎𝑎𝑡𝑡−1 − 0.0001911𝐼𝐼𝑡𝑡49 + 0.0000171𝐼𝐼𝑡𝑡49 − 0.0001328𝐼𝐼𝑡𝑡554 + 0.00001189𝐼𝐼𝑡𝑡554 ± 0.0001116𝐼𝐼𝑡𝑡366 + 0.00000999𝐼𝐼𝑡𝑡366 − 0.0000856𝐼𝐼𝑡𝑡65 + 0.00000766𝐼𝐼𝑡𝑡65 − 0.0000894𝐼𝐼𝑡𝑡555 + 0.000008𝐼𝐼𝑡𝑡555 − 0.0000879𝐼𝐼𝑡𝑡273 + 0.00000787𝐼𝐼𝑡𝑡273

2.

Berikut merupakan nilai ramalan berdasarkan deret input Open Price terhadap Low Price dan deret input Open Price terhadap High Price. Tabel 1. Nilai Ramalan Open Price terhadap Low Price dan Open Price terhadap High Price Tanggal 15 April 2013 16 April 2013 17 April 2013 18 April 2013 19 April 2013 22 April 2013 23 April 2013 24 April 2013 25 April 2013 26 April 2013 29 April 2013 30 April 2013 1 Mei 2013 2 Mei 2013 3 Mei 2013 6 Mei 2013 7 Mei 2013 8 Mei 2013 9 Mei 2013 10 Mei 2013 13 Mei 2013 14 Mei 2013 15 Mei 2013 16 Mei 2013 17 Mei 2013

Forecast Low Price (Y1) 15582.11971 15582.11971 15582.11971 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226 15574.34226

Forecast High Price (Y2) 15362.72374 15362.72374 15358.91614 15358.91614 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15366.53276 15366.53276 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319 15370.34319

𝑌𝑌𝑡𝑡 = −0.08953𝑌𝑌𝑡𝑡−4 0.98382𝑋𝑋𝑡𝑡 + 0.08808𝑋𝑋𝑡𝑡−4 + 𝑎𝑎𝑡𝑡 − 0.93406𝑎𝑎𝑡𝑡−1 − 0.0001911𝐼𝐼𝑡𝑡49 + 0.0000171𝐼𝐼𝑡𝑡49 − 0.0001328𝐼𝐼𝑡𝑡554 + 0.00001189𝐼𝐼𝑡𝑡554 ± 0.0001116𝐼𝐼𝑡𝑡366 + 0.00000999𝐼𝐼𝑡𝑡366 − 0.0000856𝐼𝐼𝑡𝑡65 + 0.00000766𝐼𝐼𝑡𝑡65 − 0.0000894𝐼𝐼𝑡𝑡555 + 0.000008𝐼𝐼𝑡𝑡555 − 0.0000879𝐼𝐼𝑡𝑡273 + 0.00000787𝐼𝐼𝑡𝑡273

Nilai ramalan berdasarkan deret input open price terhadap low price menunjukkan bahwa terjadi kenaikan nilai ramalan mulai tanggal 15 April 2013 sampai 17 April 2013 sedangkan mulai tanggal 18 April 2013 sampai 17 Mei 2013 terjadi penurunan. Sedangkan deret input open price terhadap high price menunjukkan bahwa mulai tanggal 15 April 2013 sampai 26 April 2013 terjadi kenaikan nilai ramalan sedangkan mulai tanggal 29 April 2013 sampai 30 April 2013 terjadi penurunan nilai ramalan. Kemudian mulai tanggal 1 Mei 2013 sampai 17 Mei 2013 terjadi peningkatan kembali nilai ramalan. LAMPIRAN

Lampiran 1. Plot Crosscorelation (CCF) Deret input Open Price (X) Terhadap Deret Output Low Price (Y 1 )

Lampiran 2. Plot Crosscorelation (CCF) Deret input Open Price (X) Terhadap Deret Output High Price (Y 2 )

V. KESIMPULAN Kesimpulan yang didapat dari hasil analisis adalah sebagai berikut : 1. Model ARIMA terbaik untuk deret input Open Price (X) adalah model ARIMA (1 1 0) dan untuk model fungsi transfer untuk Open Price (X) terhadap deret output Low Price (Y 1 ) adalah ARMA (0 [1 4]) dengan persamaan : 𝑌𝑌𝑡𝑡 = 1.00043𝑋𝑋𝑡𝑡 + 𝑎𝑎𝑡𝑡 − 0.93160𝑎𝑎𝑡𝑡−1 − 0.06839𝑎𝑎𝑡𝑡−4 + 0.0007073𝐼𝐼𝑡𝑡48 + 0.0002130𝐼𝐼𝑡𝑡47 + 0.0001397𝐼𝐼𝑡𝑡50

Model fungsi transfer untuk deret input Open Price (X) terhadap deret output High Price (Y 2 ) adalah ARMA ([4] 1) dengan persamaan :

DAFTAR PUSTAKA [1]

[2]

Hartono. 1998. Pengertian Jenis-Jenis Saham. (Online). (http://www.sarjanaku.com/2012/06/sahampe-ngertian-jenis-nilai-harga. html). Diakses Kamis, 21 Maret 2013 pukul 06.00. Elton dan Gruber. 1995. Modern Portofolio : Theory and Investment Analysis, 5th Edition. New York : Wiley.

5 [3]

[4]

[5] [6]

______________________. 2011. Pengertian Indeks Harga Saham dan Macamnya. (Online). (http://forum.vibizportal.com/showthread.php?t=17635). Diakses Kamis, 21 Maret 2013 pukul 05.55. ___________________. 2011. Dasar Stock Indeks Harga Saham. (Online). (http://belajarinvestasi.com/dasar-stock-index/sejarahindex.html). Diakses Kamis, 21 Maret 2013 pukul 05.55. Makridakis, S., Wheelright, S.C., dan McGee, V.E., (1999), Metode dan Aplikasi Peramalan, edisi kedua, Erlangga, Jakarta. Wei, W.W.S. (2006). Time Series Analysis Univariate and Multivariate Methods. 2nd Edition. United States : Pearson Education, Inc.